基于BP神经网络的辨识ppt课件.ppt

《基于BP神经网络的辨识ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、1、BP神经网络1986年，Rumelhart等提出了误差反向传播神经网络，简称BP网络（BackPropagation），该网络是一种单向传播的多层前向网络。误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。6.2基于BP神经网络的建模BP网络特点（1）是一种多层网络，包括输入层、隐含层和输出层；（2）层与层之间采用全互连方式，同一层神经元之间不连接；（3）权值通过δ学习算法进行调节；（4）神经元激发函数为S函数

2、；（5）学习算法由正向传播和反向传播组成；（6）层与层的连接是单向的，信息的传播是双向的。BP网络结构含一个隐含层的BP网络结构如图1所示，图中为输入层神经元，为隐层神经元，为输出层神经元。图1BP神经网络结构2、BP网络的在线逼近BP网络逼近的结构如图2所示，图中k为网络的迭代步骤，u(k)和y(k)为网络的输入。y(k)为被控对象实际输出，yn(k)为BP网络的输出。将系统输出y(k)及输入u(k)的值作为神经网络BP的输入，将系统输出与网络输出的误差作为神经网络的调整信号。图2BP神经网络逼

3、近的结构用于逼近的BP网络如图3所示。图3用于逼近的BP网络。BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转至反向传播，将误差信号（理想输出与实际输出之差）按联接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。（1）前向传播：计算网络的输出。隐层神经元的输入为所有输入的加权之和：隐层神经元的输出采用S函数激发：则输出层神经元的输出：取,

4、则网络输出与理想输出误差为：误差性能指标函数为：（2）反向传播：采用δ学习算法，调整各层间的权值。根据梯度下降法，权值的学习算法如下：输出层及隐层的连接权值学习算法为：k+1时刻网络的权值为：隐层及输入层连接权值学习算法为：其中k+1时刻网络的权值为：如果考虑上次权值对本次权值变化的影响，需要加入动量因子，此时的权值为：其中,为学习速率，为动量因子。阵(即为对象的输出对控制输入的灵敏度信息)算法为：其中取3、BP网络的优缺点BP网络的优点为：（1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意

5、的非线性映射关系；（2）BP网络的学习算法属于全局逼近算法，具有较强的泛化能力。（3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。BP网络的主要缺点为：（1）待寻优的参数多，收敛速度慢；（2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；（3）难以确定隐层及隐层节点的数目。目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑。由于BP网络具有很好的逼近非线性映射

6、的能力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。由于BP网络具有很好的逼近特性和泛化能力，可用于神经网络控制器的设计。但由于BP网络收敛速度慢，难以适应实时控制的要求。4、BP网络在线逼近仿真实例使用BP网络对如下对象逼近：BP网络逼近程序见chap6_1.m5、输入输出数据的BP网络建模由于神经网络具有自学习、自组织和并行处理等特征，并具有很强的容错能力和联想能力，因此，神经网络对输入输出数据具有建模能力。输入输出100100100

7、0.500101表13个训练样本在神经网络建模中，根据标准的输入输出模式对，采用神经网络学习算法，以标准的输入输出模式作为学习样本进行训练，通过学习调整神经网络的连接权值。当训练满足要求后，得到的神经网络权值构成了模型的知识库。当待输入模式与训练样本中的某个输入模式相同时，神经网络输出的结果就是与训练样本中相对应的输出模式。当输入模式与训练样本中所有输入模式都不完全相同时，则可得到与其相近样本相对应的输出模式。当输入模式与训练样本中所有输入模式相差较远时，就不能得到正确的输出结果，此时可将这一输入

8、输出数据作为新的样本进行训练，使神经网络获取新的知识，并存储到网络的权值矩阵中，从而增强网络的建模能力。BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播以第p个样本为例，用于训练的BP网络结构如图4所示。图4BP神经网络结构网络的学习算法如下：（1）前向传播：计算网络的输出。隐层神经元的输入为所有输入的加权之和：隐层神经元的输出采用S函数激发：则输出层神经元的输出：网络第个输出与相应理想输出的误差为：第